用于溃疡性结肠炎严重程度估计的类别距离加权交叉熵损失
图像与视频处理
2022-06-14 v2 人工智能
计算机视觉与模式识别
摘要
在用于测量溃疡性结肠炎内镜活动度的评分系统中，如 Mayo 内镜评分或溃疡性结肠炎内镜严重程度指数，等级随疾病活动严重程度增加。这种评分间的相对排序使其成为一个有序回归问题。另一方面，大多数研究使用分类交叉熵损失函数来训练深度学习模型，这对于有序回归问题并非最优。在本研究中，我们提出了一种新颖的损失函数——类别距离加权交叉熵（CDW-CE），该函数尊重类别的顺序，并在计算代价时考虑类别间的距离。实验评估表明，使用 CDW-CE 训练的模型优于使用传统分类交叉熵及其他为有序回归问题设计的常用损失函数训练的模型。此外，使用 CDW-CE 损失训练的模型的类别激活图更具类别区分性，并被领域专家认为更为合理。
引用
@article{arxiv.2202.05167,
title = {Class Distance Weighted Cross-Entropy Loss for Ulcerative Colitis Severity Estimation},
author = {Gorkem Polat and Ilkay Ergenc and Haluk Tarik Kani and Yesim Ozen Alahdab and Ozlen Atug and Alptekin Temizel},
journal= {arXiv preprint arXiv:2202.05167},
year = {2022}
}
备注
26th UK Conference on Medical Image Understanding and Analysis. 15 pages, 5 figures